論文の概要: Does Weighting Improve Matrix Factorization for Recommender Systems?

• arxiv url: http://arxiv.org/abs/2510.10440v1
• Date: Sun, 12 Oct 2025 04:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.939329
• Title: Does Weighting Improve Matrix Factorization for Recommender Systems?
• Title（参考訳）: 重み付けはリコメンダシステムの行列分解を改善するか?
• Authors: Alex Ayoub, Samuel Robertson, Dawen Liang, Harald Steck, Nathan Kallus,
• Abstract要約: 行列分解はトップNレコメンデーションと協調フィルタリングに広く使われている手法である。 本稿では,様々な重み付け手法と行列分解アルゴリズムの体系的研究を行う。 非重み付きデータによるトレーニングは、特に大規模モデルにおいて、重み付きデータによるトレーニングと互換性があり、時には優れる。
• 参考スコア（独自算出の注目度）: 36.1332376112504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matrix factorization is a widely used approach for top-N recommendation and collaborative filtering. When implemented on implicit feedback data (such as clicks), a common heuristic is to upweight the observed interactions. This strategy has been shown to improve performance for certain algorithms. In this paper, we conduct a systematic study of various weighting schemes and matrix factorization algorithms. Somewhat surprisingly, we find that training with unweighted data can perform comparably to, and sometimes outperform, training with weighted data, especially for large models. This observation challenges the conventional wisdom. Nevertheless, we identify cases where weighting can be beneficial, particularly for models with lower capacity and specific regularization schemes. We also derive efficient algorithms for exactly minimizing several weighted objectives that were previously considered computationally intractable. Our work provides a comprehensive analysis of the interplay between weighting, regularization, and model capacity in matrix factorization for recommender systems.
• Abstract（参考訳）: 行列分解はトップNレコメンデーションと協調フィルタリングに広く使われている手法である。 暗黙的なフィードバックデータ(クリックなど)に実装する場合、観測された相互作用を重み付けすることが一般的なヒューリスティックである。 この戦略は特定のアルゴリズムの性能を向上させることが示されている。 本稿では,様々な重み付け手法と行列分解アルゴリズムの体系的研究を行う。 意外なことに、非重み付きデータによるトレーニングは、特に大規模モデルにおいて、重み付きデータによるトレーニングと互換性があり、時には優れています。 この観察は従来の知恵に挑戦する。 それにもかかわらず、特に低いキャパシティと特定の正規化スキームを持つモデルに対して重み付けが有用である場合を特定する。 また、これまで計算的に難解であったいくつかの重み付けされた目的を正確に最小化するための効率的なアルゴリズムも導出する。 我々の研究は、リコメンダシステムにおける行列分解における重み付け、正則化、モデルキャパシティ間の相互作用を包括的に分析する。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Surprisal Driven $k$-NN for Robust and Interpretable Nonparametric Learning [1.4293924404819704]
  我々は情報理論の観点から、隣り合う従来のアルゴリズムに新たな光を当てた。 単一モデルを用いた分類,回帰,密度推定,異常検出などのタスクに対する頑健で解釈可能なフレームワークを提案する。 我々の研究は、分類と異常検出における最先端の成果を達成することによって、アーキテクチャの汎用性を示す。
  論文  参考訳（メタデータ） (2023-11-17T00:35:38Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Optimal Variable Clustering for High-Dimensional Matrix Valued Data [3.1138411427556445]
  本稿では,行列形式で配置された特徴に対して,新しい潜在変数モデルを提案する。 軽度条件下では,高次元設定でクラスタリングの整合性が得られる。 この重みを使用すれば、アルゴリズムが最小値の速度最適化であることが保証されるという意味で、最適な重みを識別する。
  論文  参考訳（メタデータ） (2021-12-24T02:13:04Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)
• Efficient Robust Optimal Transport with Application to Multi-Label Classification [12.521494095948068]
  OTコスト関数における対称正の半定値マハラノビス計量を用いて特徴-特徴関係をモデル化する。 結果の最適化問題を非線形OT問題とみなし,Frank-Wolfeアルゴリズムを用いて解く。 タグ予測や多クラス分類などの識別学習環境における実証的な結果から,本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-10-22T16:43:52Z)
• Continual Learning using a Bayesian Nonparametric Dictionary of Weight Factors [75.58555462743585]
  訓練されたニューラルネットワークは、シーケンシャルなタスク設定で破滅的な忘れを経験する傾向がある。 Indian Buffet Process (IBP) に基づく原則的非パラメトリック手法を提案する。 連続学習ベンチマークにおける本手法の有効性を実証し、トレーニングを通して重み要因の配分と再利用方法を分析する。
  論文  参考訳（メタデータ） (2020-04-21T15:20:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。